Sathya AG, Arquitecto Principal Senior en Google – Serie de Entrevistas

Sathya AG es un evangelista de la tecnología, autor publicado de “Estrategias Híbridas y Multi-Nube de Clase Empresarial“, y Arquitecto Principal Senior en Google (Industrias Estratégicas de Retail), con más de 19 años de experiencia en arquitectura empresarial y AI. Un líder de pensamiento global reconocido con el Premio a la Influencia en AI y el Premio del Presidente de Google, es el autor de Estrategias Híbridas y Multi-Nube de Clase Empresarial y miembro del Consejo Asesor del CAIO Circle. Es Fellow de la Sociedad Británica de Computación (FBCS), Miembro Senior del IEEE y exalumno de Stanford LEAD. Un orador solicitado en AI Forward, Google Next y NRF, Sathya también se ofrece como voluntario para enseñar AI/ML a comunidades desatendidas.

Aviso:Los pensamientos compartidos a continuación y las opiniones expresadas son propias del autor y no necesariamente reflejan las vistas, posiciones u opiniones de su empleador o de cualquier organización con la que esté afiliado.

Pasaste más de una década en Oracle (ORCL ) antes de mudarte a un papel de arquitectura senior en Google, donde ahora trabajas con empresas minoristas grandes. ¿Cómo ha cambiado tu visión de la AI empresarial a medida que las empresas se han movido de proyectos de modernización de datos tradicionales a iniciativas de AI generativa y agente?

En mis días en Oracle, como arquitecto empresarial, mi enfoque principal siempre fue construir sistemas complejos y fundamentales que las organizaciones confían para ejecutar su negocio. Estábamos resolviendo desafíos masivos de integración, gobernanza y Gestión de Datos Maestros para asegurarnos de que la empresa tuviera una fuente única y altamente resistente de verdad. La modernización de datos tradicional se centraba fundamentalmente en la observación pasiva, diseñando capas semánticas y tuberías de datos que entregaban conocimientos confiables a los tomadores de decisiones humanos.

La evolución de la AI generativa y agente ha cambiado completamente el paradigma arquitectónico de la observación pasiva a un sistema autónomo de acción. Ahora, la lente se ha desplazado hacia si podemos dejar que un sistema tome una acción en nuestro nombre (y, correctamente, sin supervisión), a escala. Eso es un nivel mucho más alto para la calidad de los datos, el contexto y el control porque ahora una mala suposición de datos no solo produce un panel incorrecto, produce una acción incorrecta. Un agente que malinterpreta los datos de inventario no solo malinforma a alguien, sino que termina colocando un pedido incorrecto.

Este es el lugar donde la arquitectura empresarial rigurosa se vuelve crítica y fundamental para los sistemas de AI. Para construir sistemas autónomos de manera segura, debemos tender un puente entre los sistemas empresariales deterministas y los sistemas de AI probabilísticos. Las conversaciones de arquitectura que lidero ahora son sobre construir un tejido de datos confiable, asegurando que el razonamiento autónomo en tiempo real esté limitado por una gobernanza estricta, una observabilidad robusta y la misma integridad transaccional que siempre hemos exigido a los sistemas empresariales.

Tú has argumentado que muchos proyectos de AI fallan no porque del modelo, sino porque de las decisiones de datos y arquitectura tomadas mucho antes. ¿Cuáles son las elecciones de arquitectura más comunes que socavan silenciosamente los proyectos de AI más adelante?

La que veo más a menudo es que las empresas tratan a un almacén o lago como la única fuente de verdad cuando en realidad es solo un destino único. Conectan todo a un lugar y asumen que eso resuelve el problema de la ‘única versión de la verdad’, pero no, solo centraliza el desacuerdo. Si tres sistemas de origen definen un cliente activo de manera diferente, canalizarlos a un almacén te da una respuesta incorrecta en lugar de tres.

Luego está la trampa de construir exactamente lo que está frente a ti. Una tubería se ajusta perfectamente a un panel, funciona bien, y luego seis meses después, un nuevo modelo necesita los mismos datos más rápido o más frescos y todo el sistema tiene que ser desmantelado en lugar de extendido.

Y la que siempre vuelve a morder a la gente es saltar la línea y los metadatos porque parecen sobrecarga que nadie pidió. No tiene pago; hasta el día en que alguien pregunta por qué el modelo hizo una llamada específica y no hay forma de rastrearla. Eso se convierte en una solución costosa en lugar de una decisión de diseño barata.

Cuando trabajas con empresas de Fortune 500, ¿qué señales te indican si una organización está realmente lista para escalar la AI más allá de los pilotos?

Honestamente, puedo decirlo generalmente dentro de las primeras conversaciones. La diferencia entre una organización que experimenta con la AI y una que está lista para operacionalizarla a escala empresarial se reduce a unos pocos signos reveladores. Generalmente busco la preparación en tres áreas principales: Convicción Estratégica, Integración Empresarial y Madurez Operativa.

Aquí está lo que señala la verdadera preparación para escalar:

1. Alineación Estratégica y Convicción Ejecutiva

Una Estrategia de AI Clara, No Solo Envidia de AI: El liderazgo de la organización demuestra una convicción genuina con respecto a su estrategia de AI. Esto es fácil de detectar haciendo algunas preguntas orientadoras sobre cómo la AI se relaciona con los objetivos comerciales. Si pueden articular el valor comercial preciso (por ejemplo, crecimiento de ingresos, mejora de margen o experiencia del cliente) en lugar de solo querer “usar AI generativa”, están listos.

Presupuesto Empresarial Comprometido: Han pasado más allá de los presupuestos de I+D aislados. Hay un presupuesto cruzado y funcional dedicado, no solo para proyectos de AI, sino también para la gestión del cambio, la infraestructura y la operación continua de MLOps.

2. Ajuste de Problema-Solución y Integración Empresarial

Resolviendo el Problema Correcto: Una señal de alerta importante es confundir la automatización de flujo de trabajo estándar o la automatización de procesos robóticos (RPA) con la AI, y forzar la AI encima solo para mostrar la adopción de AI al consejo de administración. Las organizaciones listas entienden el valor único de la AI. Se centran en casos de uso donde la AI ofrece un cambio de paradigma en la capacidad, en lugar de solo marcar una casilla de tecnología en un proceso legado.

Propiedad de la Unidad de Negocio: Esta es una señal más silenciosa, pero a menudo el mayor impedimento para escalar. Si el entusiasmo por la AI vive enteramente dentro de un “laboratorio de innovación” aislado, sin piel en el juego de las unidades de negocio, los pilotos fallarán en despegar. La verdadera preparación se señala cuando las partes interesadas del negocio desarrollan activamente la solución y poseen el resultado comercial final, en lugar de lanzar una prueba de concepto sobre el muro a operaciones.

3. Madurez Operativa y Gobernanza

Participación de Seguridad y Cumplimiento desde el Día 1: La falta de participación de los equipos de seguridad y gobernanza, o intentar aislar un caso de uso crítico de AI de ellos para “moverse más rápido”, es una receta para el fracaso de la implementación. Las organizaciones maduras traen a InfoSec, legal y gobernanza de datos a la mesa desde el día 1. Ven a estos equipos como habilitadores críticos que construyen los guardrails necesarios para escalar de manera segura, no como obstáculos.

En última instancia, las organizaciones que escalan con éxito la AI la tratan no como un experimento científico de TI, sino como una capacidad de transformación empresarial con el patrocinio adecuado, los guardrails adecuados y la alineación empresarial adecuada.

¿Qué aspecto tiene una base de datos lista para AI bajo la superficie, especialmente para empresas con datos fragmentados a través de ERP, CRM, comercio, nube y sistemas legados?

La mayoría de las empresas no tienen un problema de volumen de datos; tienen un problema de confianza en los datos. Esto es lo que se exacerba con la AI encima. Se trata menos de tener una plataforma nueva reluciente y más de una serie de propiedades poco glamorosas que se mantienen verdaderas en los sistemas.

Por ejemplo, el mismo cliente, producto o tienda debe ser reconocido como la misma entidad, independientemente de si se encuentra en un ERP legado, un CRM moderno o una plataforma de comercio. Si sus sistemas no pueden estar de acuerdo en quién es un cliente, sus modelos de personalización y previsión de AI están trabajando con datos fracturados, lo que resulta en una imagen alucinada. No puedes predecir el valor de vida del cliente si su AI trata a un cliente como tres personas diferentes.

En segundo lugar, la frescura de los datos que coincide con la decisión, no predeterminada por lo que el sistema de origen sucede que hace. Las actualizaciones de inventario nocturnas son adecuadas para la planificación a largo plazo y son inútiles para el cumplimiento en tiempo real; una base de datos sólida admite ambas velocidades sin aplanar todo a la más lenta.

En tercer lugar, una capa de línea que te permite responder ‘de dónde vino este número’ en minutos, no en una investigación de varios días. La mayoría de las empresas fragmentadas no están cortas de datos; más bien, están cortas de una capa que hace que los datos que ya tienen sean confiables y rastreables. Esa es la base real, no la herramienta que se conecta encima de ella.

A menudo discutes los 5 Vs de los datos: Volumen, Velocidad, Variedad, Veracidad y Valor. ¿Cuál de estos tienden a subestimar los líderes empresariales más cuando se preparan para la AI?

La Veracidad de los datos, sin duda, seguida de cerca por el Valor de los datos.

El Volumen es algo dado en el ecosistema de datos grande de hoy. Todos se ahogan en datos. La Variedad y la Velocidad obtienen un presupuesto porque son visibles en una hoja de ruta – nuevas fuentes, tuberías y feeds en tiempo real.

La Veracidad es invisible hasta que cuesta algo – generalmente un modelo produce una salida obviamente incorrecta, y alguien la rastrea hasta registros de clientes duplicados o un campo que tres equipos poblaron de tres maneras diferentes.

Finalmente, el Valor se subestima de manera diferente – los líderes asumen que si los datos existen, tienen valor, sin preguntar si realmente mueven una decisión. La mayoría de las empresas tienen una pequeña fracción de sus datos que realmente hacen algún trabajo y nadie ha mapeado qué fracción es esa.

En el sector minorista en particular, los casos de uso de la AI pueden abarcar la personalización, la previsión, el inventario, la cadena de suministro, el servicio al cliente y las operaciones de la tienda. ¿Dónde ves la mayor brecha entre la ambición de la AI y la preparación de los datos?

Si bien la ambición de la AI está distribuida uniformemente en el sector minorista, la preparación de los datos es altamente asimétrica.

La personalización y la previsión tienen la preparación más razonable – los minoristas han estado recopilando datos de transacciones y navegación durante años.

La brecha más grande está en la cadena de suministro y el comercio omnicanal, especialmente en la conexión entre tiendas en línea y físicas. El comercio omnicanal es increíblemente complejo porque obliga a un minorista a resolver dos de los problemas de datos más difíciles en tiempo real: identidad de cliente unificada y inventario fluido. La mayoría de los minoristas tienen inventario de comercio electrónico en tiempo real, pero solo visibilidad periódica, a veces al final del día, en el stock de la tienda.

El servicio al cliente y las operaciones de la tienda aún están en etapas tempranas. La ambición es alta, pero los datos operativos subyacentes, es decir, personal, finalización de tareas, condiciones de la tienda en tiempo real, a menudo son la parte menos digitalizada del negocio. La ambición está distribuida uniformemente en estos casos de uso; la preparación no lo está.

¿Cómo deberían las empresas modernizar la infraestructura de datos legada sin interrumpir los sistemas críticos de la misión que el negocio aún depende todos los días?

La infraestructura de datos legada a menudo sufre de cuellos de botella operativos, problemas graves de calidad de datos y límites de escalabilidad organizacional. La forma más efectiva de proteger las operaciones diarias durante un viaje de modernización es evitar estrictamente una migración de alto riesgo de un solo gran golpe. El objetivo principal de la modernización de la plataforma de datos debe ser hacer que los datos sean demostrablemente más útiles para la toma de decisiones organizacionales, en lugar de tratar el esfuerzo como un intercambio puro de plataforma de TI.

Para adaptarse a la era de la AI, las organizaciones deben adoptar una arquitectura de medallón de datos y malla de datos. Esta estrategia crea una tubería estructurada donde los datos se refinan progresivamente desde crudo hasta listo para el negocio, evitando efectivamente que los datos de mala calidad lleguen a la toma de decisiones. Al separar los datos en capas lógicas distintas, las organizaciones establecen una línea de sangre clara, lo que facilita rastrear cómo la información se transforma desde la fuente hasta el destino.

Al empaquetar los datos verificados en productos accesibles, las organizaciones capacitan a sus equipos para tomar decisiones estratégicas basadas en evidencia en lugar de confiar en la intuición. Esto establece la base de la confianza en los datos necesaria para la AI empresarial. Construir agentes de AI sobre productos de datos curados garantiza que los modelos aprendan de información segura y precisa, en lugar de conjuntos de datos desordenados y no verificados.

La gobernanza a menudo se agrega después de que un proyecto de AI ya está en marcha. ¿Qué cambia cuando la gobernanza, la privacidad, la seguridad y la calidad de los datos se tratan como requisitos de arquitectura desde el día uno?

Todo se mueve más rápido, se rompe menos y se escala mejor. Con la naturaleza probabilística de la AI generativa, la gobernanza es extremadamente crítica pero a menudo el aspecto más descuidado en muchas organizaciones.

Cuando tratas estos elementos como requisitos de arquitectura del día uno en lugar de una lista de verificación de auditoría de último minuto, te mueves de control de daños a velocidad. Aquí está lo que cambia:

Primero, evitas la fase dolorosa de “reemplazo” donde los proyectos de AI completamente construidos se descartan porque violan los estándares de cumplimiento o privacidad.

Después, la seguridad y la calidad de los datos no se parchan encima; están incrustadas en la tubería. Tus modelos funcionan con datos confiables, produciendo salidas que la gerencia y los usuarios realmente confían.

Finalmente, en lugar de golpear un muro regulatorio al moverse de la prueba de concepto a la producción, el camino a la implementación ya está despejado y automatizado.

En resumen, la gobernanza no es un freno a la innovación; es el sistema de dirección que te permite conducir rápido de manera segura.

Como asesor del CAIO Circle, ¿cómo crees que el papel del Director de AI debería evolucionar, y dónde deberían comenzar y terminar sus responsabilidades en relación con el CIO, el CDO y los líderes de unidades de negocio?

Formar parte del CAIO Circle ha sido una ventana genuinamente útil para esto, porque ahora el papel está en todas partes porque muchas empresas lo crearon de manera reactiva, en respuesta al hype de la AI generativa, en lugar de llenar una brecha operativa clara. Creo que esto se resolverá rápidamente y necesita hacerlo. Para funcionar de manera efectiva, la división ejecutiva debe ser clara:

El CIO posee la infraestructura y la confiabilidad del sistema. El CDO posee los datos como un activo empresarial (su calidad, gobernanza y accesibilidad). El Director de AI posee la capa de traducción entre la capacidad de AI cruda y los resultados comerciales reales.

Esa capa de traducción significa tomar la propiedad explícita del portfolio de AI, determinar qué construir, identificar las áreas del negocio que pueden mejorar y servirse mejor a través de la tecnología de AI, y servir como la autoridad última sobre dónde el AI debería y no debería ser desplegado.

La brecha más grande en la mayoría de las empresas hoy en día es evaluar los riesgos y los intercambios de valor entre unidades de negocio en competencia. Bloquear una iniciativa de AI de alto riesgo que una unidad de negocio desea desesperadamente requiere a alguien cuyos incentivos no estén vinculados a los objetivos a corto plazo de esa unidad y que sea lo suficientemente técnico como para evaluar el riesgo directamente. Ese guardián independiente y técnicamente fundado es precisamente lo que el papel del Director de AI necesita convertirse.

Mirando hacia adelante, ¿qué separará a las empresas que logren una ventaja de AI duradera de aquellas que simplemente experimentan con las últimas herramientas de AI?

No serán aquellas que tengan acceso a los mejores modelos. La capacidad del modelo está convergiendo rápidamente, y la tecnología cruda no permanecerá como un diferenciador duradero.

En cambio, la prueba principal del éxito de la AI a largo plazo – ya sea interna o enfocada en el cliente – se reduce a una cosa: Confianza.

La confianza es directamente proporcional a la capacidad de una organización para construir una base de AI y un entorno donde las nuevas capacidades puedan ser probadas, implementadas de manera segura y escaladas a velocidad. Concretamente, eso requiere tres cosas:

Una Base de Datos Confiable: Datos limpios y confiables para que cada nuevo caso de uso no demande un proyecto de limpieza masivo y único.

Gobernanza Ágil: Procesos de riesgo y cumplimiento lo suficientemente rápidos como para mantener el ritmo de cómo evolucionan los modelos subyacentes.

Métricas Orientadas a Resultados: Una cultura organizacional que mide la AI por valor comercial, no por sofisticación técnica.

Las empresas que aún estarán atrapadas en el “modo de experimentación” dentro de tres años serán aquellas que nunca construyeron esa base – seguirán aprendiendo las mismas lecciones de datos y gobernanza en cada proyecto de AI.

Los ganadores con una ventaja duradera serán aquellos con los que el décimo caso de uso de AI se vuelve dramáticamente más barato y rápido de implementar que el primero, porque la base se construyó correctamente desde el principio.

Gracias por la gran entrevista, los lectores también pueden leer su libro Estrategias Híbridas y Multi-Nube de Clase Empresarial.